Funktionella material används ofta i framväxande teknologier, som gröna energilösningar och nya elektroniska apparater. Dessa material är typiskt blandningar av olika organiska och oorganiska komponenter och har många fördelaktiga egenskaper för nya tillämpningar. För att uppnå sin fulla potential, vi behöver exakt kunskap om deras atomära struktur. Toppmoderna experimentella verktyg, såsom atomkraftsmikroskopi (AFM), kan användas för att undersöka organiska molekylära adsorbater på metalliska ytor.

Dock, att tolka den faktiska strukturen från mikroskopibilder är ofta svårt. Beräkningssimuleringar kan hjälpa till att uppskatta de mest sannolika strukturerna, men med komplexa material, noggrann struktursökning är beräkningsmässigt svårhanterlig med konventionella metoder. Nyligen, CEST-gruppen har utvecklat nya verktyg för automatiserad strukturförutsägelse med hjälp av maskininlärningsalgoritmer från datavetenskap.

I detta senaste arbete, forskare har visat noggrannheten och effektiviteten hos den artificiella intelligensmetoden Bayesian Optimization Structure Search (BOSS). BOSS identifierade adsorbatkonfigurationerna för en kamfermolekyl på en Cu(111)-yta. Detta material har tidigare studerats med AFM, men att sluta sig till strukturerna från dessa bilder var ofullständigt. Här, forskarna har visat att BOSS framgångsrikt kan identifiera inte bara den mest sannolika strukturen, men också åtta stabila adsorbatkonfigurationer som kamfer kan ha på Cu(111).

De använde dessa modellstrukturer för att bättre tolka AFM-experimenten och drog slutsatsen att bilderna sannolikt har kamfer kemiskt bunden till Cu-ytan via en syreatom. Att analysera enstaka molekylära adsorbater på detta sätt är bara det första steget mot att studera mer komplexa sammansättningar av flera molekyler på ytor och därefter bildandet av monolager. Den förvärvade insikten om gränssnittsstrukturer kan hjälpa till att optimera de funktionella egenskaperna hos dessa material.